基于机器学习的低成本光学PM传感器相对湿度软件补偿方法：波兰上西里西亚案例研究

《Sensors》：Software-Based Relative Humidity Compensation for Low-Cost Optical PM Sensors Using Machine Learning: A Case Study from Upper Silesia, Poland

　　

高相对湿度（relative humidity, RH>60%）会显著损害低成本光学颗粒物（particulate matter, PM）传感器的准确性，原因是吸湿性气溶胶增长和水滴干扰。物理加热元件可以蒸发凝结水，但会引入可观的功耗，从而限制低功耗物联网（Internet of Things, IoT）运行。本研究评估了一种基于软件的相对湿度补偿方法，该方法在数学上模拟物理加热式光学传感器的输出，使用未加热传感器与周围气象参数（温度T、相对湿度RH、气压P）配对，在波兰上西里西亚（Upper Silesia, Poland）的48,860条10分钟记录上进行了评估。研究人员将六种机器学习算法——多项式回归（Polynomial Regression, PR）、决策树（Decision Trees, DTs）、支持向量回归（Support Vector Regressor, SVR）、密集神经网络（Dense Neural Networks, DNNs）和长短期记忆（Long Short-Term Memory, LSTM）网络——与一个并列安装的加热型SDS011目标传感器进行了比对，同时覆盖了预测准确性和完整计算性能画像（调优时间、训练时长和推理延迟）。静态非线性模型取得了更优性能，其中六次PR、SVR和DNN在PM2.5上达到R²=94%，平均绝对误差（MAE）=1.41–1.61 μg/m³，均方根误差（RMSE）=3.69–3.79 μg/m³，而复杂LSTM网络表现明显更差（R²=88%，MAE=2.56 μg/m³，RMSE=5.33 μg/m³）。计算性能画像显示，静态模型需要可忽略的推理延迟（0.0002–0.0011毫秒/样本）和短的调优时间（决策树为0.004秒/拟合），而LSTM产生0.1215毫秒/样本的推理延迟（慢超过500倍）和沉重的调优开销（148.96秒/拟合）。这些发现表明，瞬时非线性关系主导湿度伪影，证实轻量级软件补偿可以在资源受限的微控制器上模拟硬件加热器的效果，而无需深度学习开销。

高相对湿度（RH>60%）会严重影响低成本光学颗粒物（PM）传感器的测量准确性。在潮湿环境中，气溶胶颗粒会因吸湿作用而增大，同时悬浮水滴也会干扰光学散射过程，导致传感器读数产生显著偏差。传统应对措施是在传感器内部加入物理加热元件，通过蒸发凝结水来恢复准确性，然而这会导致额外的功耗，对于依靠电池或能量采集的低功耗物联网（IoT）节点来说，代价过高。因此，寻找一种无需硬件改动即可实现湿度补偿的软件方法具有重要的实用价值。

针对这一需求，研究人员在波兰上西里西亚地区开展了一项案例研究。他们提出了一种基于机器学习的软件补偿策略：利用未加热的SDS011光学传感器测量原始PM数据，并结合环境温度（T）、相对湿度（RH）和气压（P）这三种气象参数，建立一个回归模型来预测同位置物理加热SDS011传感器的输出。这样，在保留低功耗未加热硬件的同时，通过软件算法模拟加热传感器的校正效果。研究共收集了48,860条10分钟记录，构成了一个有监督学习数据集。

在建模过程中，研究人员比较了六种机器学习算法，包括多项式回归（PR）、决策树（DTs）、支持向量回归（SVR）、密集神经网络（DNNs）和长短期记忆（LSTM）网络。之所以选择这些方法，是为了覆盖从简单线性/多项式到深度序列模型的宽广范围，以探究湿度补偿问题中是否存在时间依赖关系。评估指标分为两类：一类是预测精度指标，包括决定系数R²、平均绝对误差（MAE）和均方根误差（RMSE）；另一类是计算性能指标，包括模型调优时间、训练时长以及推理延迟，用于判断模型是否适合部署在资源受限的微控制器上。

**预测准确性比较。** 实验结果显示，静态非线性模型表现最佳。其中，六次多项式回归、SVR和DNN在PM_2.5预测上均达到R²=94%的精度，MAE分别为1.41–1.61 μg/m³，RMSE为3.69–3.79 μg/m³。相比之下，LSTM网络的表现显著逊色，R²仅为88%，MAE为2.56 μg/m³，RMSE为5.33 μg/m³。这揭示了一个关键现象：湿度伪影主要由当前时刻的非线性关系决定，并不需要长期时间依赖建模。LSTM虽然擅长序列信息提取，但在此任务中未能带来增益，反而引入了更复杂的结构。

**计算性能比较。** 从实际部署角度看，静态模型在计算开销上具有压倒性优势。它们的推理延迟极低，仅为0.0002–0.0011毫秒/样本，其中决策树的调优时间只要0.004秒/拟合。而LSTM网络则显示出巨大的计算代价：推理延迟为0.1215毫秒/样本，比静态模型慢超过500倍，调优时间高达148.96秒/拟合。对于低功耗微控制器而言，如此高的计算需求是不可接受的，这也进一步支持了使用轻量级静态模型的决策。

综合上述结果可以得出，湿度导致的PM传感器误差可以通过瞬时非线性映射来校正，软件补偿完全能够模拟物理加热器的作用。该方法的优势在于：无需额外硬件功耗，模型推理速度快，适合在资源受限的物联网设备上实时运行。研究人员认为，本研究证明了一种可行的低功耗湿度补偿路径，有望改善高湿地区低成本PM监测网络的数据质量。

本文解读严格基于摘要内容，没有推测额外细节。例如，摘要中“六种机器学习算法”后仅列举了五种算法名称，这可能是原文笔误，但在解读中保持原样描述。研究人员没有讨论具体训练集划分或传感器校准细节，因此这些内容不作展开。